Core Concepts
機械学習回帰モデルを用いた場合の入力変数の不確かさの伝播について、線形モデルと核ベースモデルに対して解析的な表現を導出した。
Abstract
本論文では、機械学習(ML)回帰モデルを通した入力変数の不確かさの伝播について分析を行った。特に、線形回帰、正則化線形回帰、カーネル回帰、ガウシアンプロセス(GP)、サポートベクターマシン(SVM)、関連ベクターマシン(RVM)といった一般的なML回帰モデルに対して、入力変数の不確かさが出力変数の平均と分散にどのように影響するかを解析的に導出した。
まず、線形モデルに対する標準的な結果を示した。次に、カーネルベースのモデルに対して、特に一般的なRBFカーネルを用いた場合について、入力変数が多変量ガウス分布、一様分布、対称三角分布に従う場合の解析的な表現を導出した。
これらの解析的な結果は、メトロロジーの文脈で機械学習モデルを使用する際の不確かさ評価に役立つ。具体的な応用例として、リチウムイオン電池の状態推定問題を取り上げ、提案手法の有効性を検証した。解析的な表現と Monte Carlo サンプリングによる結果を比較し、提案手法の正確性を確認した。
Stats
リチウムイオン電池の状態推定に使用した入力変数Rct2とCdl2の不確かさは、温度変動による影響として評価されている。